边缘
描述
e=边缘(Mdl,资源描述,ResponseVarName)Mdl使用预测数据表资源描述和类标签ResponseVarName表变量。
e返回标量值,表示分类的平均利润率。
e=边缘(___,名称,值)
请注意
如果预测数据X或预测变量资源描述包含任何缺失值,边缘函数可以返回NaN。更多细节,请参阅边缘可以返回NaN预测数据缺失值。
例子
测试集分类神经网络的边缘
计算测试集分类的神经网络分类器。
加载病人从数据集中数据集。创建一个表,每一行对应一个病人和每一列对应一个诊断变量。使用吸烟者变量作为响应变量,其余变量的预测因子。
负载病人台=表(舒张压、收缩压、性别、身高、体重、年龄、吸烟);
单独的数据训练集tblTrain和一个测试集tblTest通过使用分层抵抗分区。软件储备大约30%的测试数据集,并使用其余的观察观察的训练数据集。
rng (“默认”)%的再现性分区c = cvpartition (tbl.Smoker“坚持”,0.30);trainingIndices =培训(c);testIndices =测试(c);tblTrain =(资源(trainingIndices:);tblTest =(资源(testIndices:);
使用训练集训练神经网络分类器。指定吸烟者列的tblTrain作为反应变量。指定标准化数值预测。
Mdl = fitcnet (tblTrain,“抽烟”,…“标准化”,真正的);
计算测试集分类的优势。
e =边缘(Mdl tblTest,“抽烟”)
e = 0.8657
的均值分类利润率接近1,这表明该模型总体表现良好。
选择特性包括在神经网络分类器
进行特征选择通过比较测试集分类的利润率,边缘,错误,和预测。比较的测试集的度量模型训练使用所有测试集的预测指标对模型训练使用只有一个子集的预测。
加载示例文件fisheriris.csv,其中包含虹膜数据包括花萼长度、宽度萼片,花瓣长度,花瓣宽度,和物种类型。读取文件成一个表。
fishertable = readtable (“fisheriris.csv”);
单独的数据训练集trainTbl和一个测试集testTbl通过使用分层抵抗分区。软件储备大约30%的测试数据集,并使用其余的观察观察的训练数据集。
rng (“默认”)c = cvpartition (fishertable.Species“坚持”,0.3);trainTbl = fishertable(培训(c):);testTbl = fishertable(测试(c):);
训练一个神经网络分类器使用中的所有预测训练集,并使用所有的预测,除了训练另一个分类器PetalWidth。对于这两种模型,指定物种作为响应变量,预测和规范。
allMdl = fitcnet (trainTbl,“物种”,“标准化”,真正的);subsetMdl = fitcnet (trainTbl,“物种~ SepalLength + SepalWidth + PetalLength”,…“标准化”,真正的);
两个模型计算测试集分类的利润。因为测试集只包含45观察,显示利润使用条形图。
对于每个观察,分类边界的区别是真正的类的分类评分和虚假的最大分数类。因为神经网络分类器返回分类后验概率的分数,利润率值接近1表示有信心分类和负利润值指示错误分类。
tiledlayout (2, 1)%顶轴ax₁= nexttile;allMargins =利润率(allMdl testTbl);栏(ax₁, allMargins)包含(ax₁“观察”)ylabel (ax₁,“保证金”)标题(ax₁,“预测”)%底部轴ax2 = nexttile;subsetMargins =利润率(subsetMdl testTbl);栏(ax2 subsetMargins)包含(ax2,“观察”)ylabel (ax2,“保证金”)标题(ax2,“子集预测”)
比较测试集分类边缘,或意味着利润率的分类,两个模型。
allEdge =边缘(allMdl testTbl)
allEdge = 0.8198
subsetEdge =边缘(subsetMdl testTbl)
subsetEdge = 0.9556
根据测试集分类利润率和边缘,模型训练的一个子集预测似乎比模型训练所有的预测因子。
比较两个模型的测试集分类错误。
allError =损失(allMdl testTbl);allAccuracy = 1-allError
allAccuracy = 0.9111
subsetError =损失(subsetMdl testTbl);subsetAccuracy = 1-subsetError
subsetAccuracy = 0.9778
再次,模型训练使用只有一个子集的预测似乎执行比模型训练使用所有的预测因子。
可视化测试集分类结果采用混淆矩阵。
allLabels =预测(allMdl testTbl);图confusionchart (testTbl.Species allLabels)标题(“预测”)
subsetLabels =预测(subsetMdl testTbl);图confusionchart (testTbl.Species subsetLabels)标题(“子集预测”)
模型训练使用所有测试集的分类预测因子四个观察。模型训练使用的一个子集预测分类只有一个测试集的观察。
鉴于测试集两种模型的性能,考虑使用该模型使用所有的预测,除了训练PetalWidth。
